YADRO substitui o Smartcat por Weblate, Dify e Qwen e reduz o preço da palavra em 6 vezes

Quando a conta de um serviço de tradução cresce junto com o volume de documentação, cedo ou tarde surge a ideia: e se subíssemos tudo por conta própria? A equipe de documentação técnica da YADRO fez exatamente isso. O Smartcat cobrava por cada palavra enviada, mesmo as já traduzidas, e depois de virar uma «plataforma de IA» ficou ainda mais caro. A equipe montou sua própria localização e a chamou de «Tolmach».

De que o sistema é feito

A nova ferramenta tinha três requisitos: todos os dados permanecem nos servidores da empresa, é possível configurar com flexibilidade o trabalho com LLMs e há interface web ou arquitetura cliente-servidor. Entre os candidatos de código aberto, chegaram à final o Zing e o Weblate. O Zing, criado pela Evernote, foi descartado: os desenvolvedores anunciaram que não o mantêm mais e procuram um novo mantenedor, caso contrário o projeto será encerrado. O Weblate está vivo, com comunidade e suporte profissional pago, com API e integração com sistemas de controle de versão.

O segundo componente é o Serge. Ele pega os arquivos-fonte do Git, usa parsers para extrair as strings traduzíveis (DITA, configurações, código-fonte) e as coloca em arquivos PO, o padrão da indústria de localização. Após a tradução, o processo segue no sentido inverso: as strings prontas são incorporadas aos fontes e devolvidas ao repositório. Os desenvolvedores permanecem no Git e os tradutores não precisam lidar com formatos.

Onde entra o LLM

Entre o Weblate e o modelo está o Dify, uma plataforma para montar aplicações com LLM. O pipeline é simples: texto, modelo, pós-processamento, resposta. Quem traduz é o modelo de raciocínio Qwen3.6-35B-A3B, em um cluster de inferência próprio. Quando o editor abre a aba Automatic suggestion, o Weblate envia a string ao Dify e a resposta chega em cerca de 0,63 segundo. A conexão foi feita por arquivos de configuração do Docker. O carregamento dos arquivos PO no Weblate precisou ser automatizado com um script via REST API, porque os comandos padrão não funcionaram.

Há duas técnicas práticas interessantes. Primeira: um prompt longo com uma dezena de proibições pode ser substituído por saída estruturada. Os autores definiram um esquema JSON com um único campo, russian_translation, e o modelo parou de escrever «claro, aqui está a sua tradução». O prompt de sistema foi reduzido a uma única frase. Segunda: tudo o que pode ser feito em código, faça em código. O modelo insiste em usar «ё», embora a documentação não a utilize, e combater isso no prompt piorava a qualidade da própria tradução. A solução são duas linhas de replace no pós-processamento.

Quanto custa e onde está a pegadinha

O cálculo parte de uma placa de vídeo de 5 milhões de rublos, vida útil de 5 anos e utilização de 30–40%. Um segmento de uma palavra custa 0,40 ₽; um de 250 palavras, cerca de 0,0048 ₽ por palavra. O Smartcat cobra aproximadamente 2,5 ₽, ou seja, uma diferença de cerca de seis vezes no pior caso para o modelo local. Mas o cálculo não inclui servidor, eletricidade, salários dos engenheiros e outros custos operacionais, então a economia real é mais modesta.

A qualidade também não é perfeita. O modelo pode alucinar, violar a terminologia e quebrar a formatação. Por trabalhar segmento a segmento, as traduções nem sempre são consistentes. Por isso, a revisão final por um redator técnico continua obrigatória.

O que aproveitar

Se você tem muita documentação e não pode entregar os dados para fora, a combinação de Git, Serge, Weblate e Dify parece um esquema viável. A saída estruturada no lugar de prompts longos e a transferência de regras determinísticas para o código servem também em quaisquer outros pipelines com LLM. Já a cifra de «seis vezes mais barato» merece cautela: calcule o seu custo total de propriedade, incluindo pessoas e operação. O autor promete, na segunda parte, um guia completo de implantação.